[发明专利]高光谱异常检测方法、装置、电子设备及可读存储介质

说明书

本申请公开了一种高光谱异常检测方法、装置、电子设备及可读存储介质。其中，方法包括首先对待处理高光谱图像进行像素块划分，得到每个像元对应的待识别数据像素块。然后将各待识别数据像素块输入至利用预先构建的3D卷积自编码模型中，得到各待识别数据像素块的空谱特征信息。其中，3D卷积自编码模型用于对输入数据像素块进行编码操作得到空谱数据块，并对空谱数据块进行解码重构处理，得到空谱特征信息。再利用预设空谱联合异常方法对各空谱特征信息进行异常概率计算，得到各像元的异常检测结果，最后可根据异常检测结果判断各像元是否异常，从而可有效提升遥感影像的高光谱异常检测的精准度。

技术领域

本申请涉及图像处理技术领域，特别是涉及一种高光谱异常检测方法、装置、电子设备及可读存储介质。

背景技术

随着高光谱成像光谱仪的发展，遥感影像的光谱信息从全色、多光谱快速发展至高光谱，使遥感技术进入到一个崭新阶段。高光谱影像具有高光谱分辨率，获得的影像像元具有上百波段光谱信息。基于各种地物之间的不同光谱特性，高光谱遥感技术广泛应用于地物识别分类、定量反演和异常目标检测等技术领域。其中，高光谱异常检测因其不需要先验信息、符合实际需求等优势，成为了近年来的研究热点。异常目标通常是指与周围背景光谱分布存在显著差异、且在空间上稀疏分布或出现概率较低的目标。

传统技术所采用的异常目标检测算法是Reed等提出的RX算法，其本质是基于广义似然比检测的一种恒虚警率异常目标检测算法，通过计算背景的协方差矩阵和均值向量获得被检测像元与背景像元的马氏距离，从而得到检测结果。由于实际情况中高光谱数据背景复杂、很难满足正态分布假设，在检测过程中计算协方差矩阵时还易受到异常像素的污染。鉴于此，相关技术提出了多种基于RX算法的改进方法，如：LRX算法(Local RX，LRX)、WRX算法(Weighted RX，WRX)、KRX算法(Kernel RX，KRX)等。近年来，深度学习方法受到大批学者关注，成为高光谱异常检测的重要方法之一。如将CNN应用到高光谱异常检测，通过度量待检测像素与周围像素的相似度来进行异常检测，不过需要大量标记的像素对来训练网络。或者是将自编解码器应用到高光谱异常检测，通过计算重构误差来获取最终检测结果。又或者是基于自编码网络的方法将每个像素单独送入网络进行特征提取，虽然能够提取到有用特征，但是会导致原图像各像素空间关系的丢失，而且以上空谱结合的方法将空间信息和光谱信息分开考虑，这样破坏了空谱关系，这些都会导致最终的高光谱异常检测精准度不高。

鉴于此，如何提升高光谱异常检测的精准度，是所属领域技术人员需要解决的技术问题。

发明内容

本申请提供了一种高光谱异常检测方法、装置、电子设备及可读存储介质，实现高精度检测到高光谱中的异常目标。

为解决上述技术问题，本发明实施例提供以下技术方案：

本发明实施例一方面提供了一种高光谱异常检测方法，包括：

对待处理高光谱图像进行像素块划分，得到每个像元对应的待识别数据像素块；

将各待识别数据像素块输入至利用预先构建的3D卷积自编码模型中，得到各待识别数据像素块的空谱特征信息；所述3D卷积自编码模型用于对输入数据像素块进行编码操作得到空谱数据块，并对所述空谱数据块进行解码重构处理，得到空谱特征信息；

利用预设空谱联合异常方法对各空谱特征信息进行异常概率计算，得到各像元的异常检测结果；

根据所述异常检测结果判断各像元是否异常。

可选的，所述3D卷积自编码模型包括编码器网络模块和解码器网络模块；

所述编码器网络模块用于对输入待识别数据像素块进行编码操作得到空谱数据块，所述解码器网络模块用于实现对所述空谱数据块进行原始数据像素块的重构；所述编码器网络模块和所述解码器网络模块的卷积核为3D卷积核；